HOU Xin，ZHANGDongwen，ZHONGMing

(1.Zhejiang Gongshang University College of Computer Science and Information Engineering，Hangzhou 310018，China; 2.China United Engineering Corporation，Hangzhou 310018，China)

Data Aggregation ofWireless Sensor Network Based on Event-Driven and Neural Network*

HOU Xin1*，ZHANGDongwen1，ZHONGMing2

(1.Zhejiang Gongshang University College of Computer Science and Information Engineering，Hangzhou 310018，China; 2.China United Engineering Corporation，Hangzhou 310018，China)

To reduce energy consumption and data redundancy of wireless sensor network(WSN)emergency monitoring，a data fusion algorithm EBPDF(Event－Driven Back－Propagation Data Fusion Algorithm)based on event－driven dynamic clustering scheme and BP neural network is proposed.Dynamic clusters as well as cluster head election process is based on the severity of the incidentand the node residual energy.The life cycle and coverage of the cluster are adjusted dynamically according to the urgency of the event and the node residual energy.Meanwhile the hierarchy of the neural network is combined with the cluster structure ofWSN in order to reduce the network traffic.The threelayer neural network model is applied in the dynamic cluster structure，so a few eigenvalueswhich is sent to the sink node can be extracted from the raw data collected by the neural network algorithm.Themethod prolongs the network life cycle，reduces the redundancy of data transmission.The simulation experiments show that，compared with LEACH algorithm，EBPDF can reduce network traffic and the number of node communication effectively.

WSN;data fusion;event－driven;BP neural network;dynamic clustering scheme;LEACH algorithm

無(wú)線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Network)可以協(xié)同大量的無(wú)線同構(gòu)節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)覆蓋區(qū)域的環(huán)境信息進(jìn)行探測(cè)和感知。WSN網(wǎng)絡(luò)節(jié)點(diǎn)通常采用電池供電，能量有限且很難得到有效的補(bǔ)充;節(jié)點(diǎn)的部署和監(jiān)測(cè)區(qū)域經(jīng)常交叉重疊，致使事件重復(fù)監(jiān)測(cè);為降低外界干擾而配置的冗余節(jié)點(diǎn)造成鏈路傳輸?shù)呢?fù)載增加，縮短整個(gè)網(wǎng)絡(luò)的生命周期［1］。作為上述問(wèn)題的解決方案之一，本文將監(jiān)測(cè)目標(biāo)設(shè)置為特定事件，且節(jié)點(diǎn)僅在達(dá)到一定閾值的事件發(fā)生時(shí)才進(jìn)入興奮監(jiān)測(cè)狀態(tài)，其余時(shí)間處于低功耗偵聽(tīng)狀態(tài)，從而有效地降低網(wǎng)絡(luò)的能量消耗;同時(shí)，在數(shù)據(jù)傳輸中引入基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法，避免傳輸大量冗余信息，減少節(jié)點(diǎn)通信開(kāi)銷(xiāo)。與其他數(shù)據(jù)融合技術(shù)相比，BP神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):較強(qiáng)的非線性映射能力，自學(xué)習(xí)和自適應(yīng)能力，泛化能力，容錯(cuò)能力。通過(guò)無(wú)線傳感器網(wǎng)絡(luò)所獲得的初始數(shù)據(jù)進(jìn)行訓(xùn)練得到相應(yīng)的樣本，可十分精確的反映網(wǎng)絡(luò)動(dòng)態(tài)。

目前無(wú)線傳感網(wǎng)絡(luò)基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合基本是通過(guò)結(jié)合路由協(xié)議來(lái)實(shí)現(xiàn)，如LEACH協(xié)議［2］以循環(huán)方式隨機(jī)選取簇頭，使網(wǎng)絡(luò)能耗平均分配到各節(jié)點(diǎn)，通過(guò)構(gòu)建最短路徑樹(shù)以實(shí)現(xiàn)數(shù)據(jù)融合和傳輸。但LEACH協(xié)議的節(jié)點(diǎn)都采用數(shù)據(jù)連續(xù)發(fā)送和單跳路徑選擇模式，不適于大范圍面積監(jiān)測(cè)。TEEN［3］根據(jù)突發(fā)事件對(duì)LEACH做出改進(jìn)，增設(shè)軟硬閾值，其分簇選舉方面仍與LEACH相似;但該算法不足在于若門(mén)限值達(dá)不到節(jié)點(diǎn)永遠(yuǎn)不會(huì)同簇頭通信，用戶無(wú)法得到實(shí)時(shí)性的監(jiān)測(cè)數(shù)據(jù)。文獻(xiàn)［4］提出一種基于能量控制、睡眠調(diào)度、路徑傳輸?shù)耐負(fù)淇刂品桨?，充分降低?shù)據(jù)在路由傳輸過(guò)程中能量消耗。文獻(xiàn)［5］將鏈路穩(wěn)定性和能量管理路由策略相結(jié)合，同時(shí)為了增加節(jié)點(diǎn)可持續(xù)性，文章中引入可擴(kuò)展路由策略，在保證網(wǎng)絡(luò)QoS的基礎(chǔ)上增加路徑可擴(kuò)展性，從而降低整體網(wǎng)絡(luò)的路由發(fā)現(xiàn)開(kāi)銷(xiāo)。文獻(xiàn)［6］對(duì)LEACH協(xié)議的分簇方案進(jìn)行改進(jìn)，節(jié)點(diǎn)在部署后首先規(guī)劃虛擬簇，并固定且不再改變，并以該分簇方案為基礎(chǔ)加入神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法，從而降低數(shù)據(jù)傳輸量，達(dá)到節(jié)省能量消耗的目的。文獻(xiàn)［7］提出一種數(shù)據(jù)聚合協(xié)議RDAG，該協(xié)議將無(wú)結(jié)構(gòu)實(shí)時(shí)數(shù)據(jù)感知策略、等待策略以及時(shí)空相關(guān)度相結(jié)合，從而降低網(wǎng)絡(luò)延遲，提高數(shù)據(jù)融合算法在事件驅(qū)動(dòng)的動(dòng)態(tài)場(chǎng)景下的數(shù)據(jù)傳輸效率。文獻(xiàn)［8］將反向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用于無(wú)線傳感網(wǎng)絡(luò)模型，構(gòu)建馬爾科夫模型，并計(jì)算了傳感器網(wǎng)絡(luò)的生命周期，該算法能夠準(zhǔn)確給出無(wú)線傳感網(wǎng)絡(luò)的最長(zhǎng)生存時(shí)間并有效的降低了計(jì)算復(fù)雜度。文獻(xiàn)［9］提出將神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)加入到WSN的分簇結(jié)構(gòu)中，構(gòu)造出一個(gè)層次結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的數(shù)據(jù)融合模型。經(jīng)仿真對(duì)比該模型能夠延長(zhǎng)網(wǎng)絡(luò)節(jié)點(diǎn)生命周期，降低通信開(kāi)銷(xiāo)。但該模型并沒(méi)有考慮突發(fā)事件特征、事件嚴(yán)重程度和節(jié)點(diǎn)剩余能量。

節(jié)點(diǎn)數(shù)據(jù)傳輸有如下問(wèn)題:節(jié)點(diǎn)在部署時(shí)具有較高的交叉和重復(fù)覆蓋度，導(dǎo)致監(jiān)測(cè)區(qū)域內(nèi)的監(jiān)測(cè)數(shù)據(jù)具有較高的相似性，以致節(jié)點(diǎn)在數(shù)據(jù)傳輸時(shí)會(huì)額外傳輸大量冗余數(shù)據(jù)，造成節(jié)點(diǎn)能量開(kāi)銷(xiāo)較高;監(jiān)測(cè)區(qū)域內(nèi)若節(jié)點(diǎn)一直處于監(jiān)測(cè)狀態(tài)，且沒(méi)有特殊事件發(fā)生時(shí)，監(jiān)測(cè)到的數(shù)據(jù)絕大部分為重復(fù)性監(jiān)測(cè)，且實(shí)際性意義較低，節(jié)點(diǎn)若一直處于監(jiān)測(cè)狀態(tài)，其能量消耗也會(huì)增加。根據(jù)上述情況，本文改進(jìn)原有的LEACH和TEEN協(xié)議，在簇結(jié)構(gòu)建立和簇首選舉過(guò)程中，引入神經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)、突發(fā)事件驅(qū)動(dòng)理論和節(jié)點(diǎn)剩余能量方案。為進(jìn)一步降低節(jié)點(diǎn)通信開(kāi)銷(xiāo)，本文在路由協(xié)議的構(gòu)建中引入BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型，對(duì)于突發(fā)性事件會(huì)導(dǎo)致節(jié)點(diǎn)產(chǎn)生大量的監(jiān)測(cè)數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)監(jiān)測(cè)的數(shù)據(jù)進(jìn)行融合處理，把得到少量的特征數(shù)據(jù)傳送給匯聚節(jié)點(diǎn)，從而減少節(jié)點(diǎn)的數(shù)據(jù)通信量，平衡節(jié)點(diǎn)能耗，延長(zhǎng)網(wǎng)絡(luò)壽命。

1 基于事件驅(qū)動(dòng)的改進(jìn)分簇算法

在無(wú)線傳感器網(wǎng)絡(luò)中典型的分簇路由協(xié)議都是提前規(guī)劃好簇的結(jié)構(gòu)，盡管其在分簇過(guò)程中考慮了節(jié)點(diǎn)相對(duì)位置以及能量等因素，但很少有分簇協(xié)議將監(jiān)測(cè)區(qū)域內(nèi)突發(fā)事件緊急程度，發(fā)生的具體位置以及突發(fā)事件區(qū)域采集的信息的相似度作為考慮的重點(diǎn)。傳統(tǒng)的分簇結(jié)構(gòu)如圖1所示，若事件突發(fā)區(qū)域內(nèi)部節(jié)點(diǎn)分屬于3個(gè)不同的簇，其檢測(cè)到的信息具有較高的相似度，但節(jié)點(diǎn)的數(shù)據(jù)必須發(fā)送到不同的簇頭，并由3個(gè)不同的路徑傳輸?shù)絽R聚節(jié)點(diǎn)。這種分簇方案將會(huì)大大增加與事件突發(fā)區(qū)域無(wú)關(guān)的節(jié)點(diǎn)通信開(kāi)銷(xiāo)。

圖1 傳統(tǒng)的分簇結(jié)構(gòu)

1.1 網(wǎng)絡(luò)模型

本文假定N個(gè)無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)分布在某區(qū)域A內(nèi)，且該網(wǎng)絡(luò)具有如下性質(zhì)［6］:

(1)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署后不再移動(dòng)，是靜態(tài)的。

(2)匯聚節(jié)點(diǎn)(基站)唯一，且部署在監(jiān)測(cè)區(qū)域A以外的固定位置。

(3)節(jié)點(diǎn)能量相同且不能補(bǔ)充，發(fā)射功率有限;匯聚節(jié)點(diǎn)能量可持續(xù)供給，能夠以最大功率直接向所有的節(jié)點(diǎn)發(fā)射信息，并可運(yùn)行復(fù)雜的運(yùn)算。

(4)網(wǎng)絡(luò)節(jié)點(diǎn)同構(gòu)，所有的節(jié)點(diǎn)具有相同的通信和處理能力。

(5)節(jié)點(diǎn)能夠獲知其相對(duì)位置信息。

前4項(xiàng)為無(wú)線傳感器網(wǎng)絡(luò)的典型設(shè)置。第5項(xiàng)尤為重要，節(jié)點(diǎn)通過(guò)獲取自身的位置信息，這樣其采集到的數(shù)據(jù)才具有更強(qiáng)的針對(duì)性，尤其是傳感器網(wǎng)絡(luò)用于監(jiān)測(cè)突發(fā)事件之時(shí)，可通過(guò)節(jié)點(diǎn)的位置信息迅速確認(rèn)事件突發(fā)地點(diǎn)。

1.2 無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)模型

從能量節(jié)省角度考慮，所有的節(jié)點(diǎn)初始都設(shè)置為休眠狀態(tài)。節(jié)點(diǎn)內(nèi)部會(huì)預(yù)設(shè)事件監(jiān)測(cè)閾值，當(dāng)突發(fā)性事件發(fā)生時(shí)，節(jié)點(diǎn)內(nèi)部通過(guò)比較檢測(cè)到的數(shù)據(jù)與預(yù)設(shè)的閾值所得差值大小，從而判斷出事件緊急程度，進(jìn)而控制節(jié)點(diǎn)進(jìn)入活動(dòng)或興奮狀態(tài)。處于活動(dòng)的節(jié)點(diǎn)只進(jìn)行數(shù)據(jù)的中轉(zhuǎn)和傳輸，本身并不監(jiān)測(cè)數(shù)據(jù)，若收到成簇信息或收到閾上刺激，便會(huì)轉(zhuǎn)化為興奮狀態(tài)?；顒?dòng)節(jié)點(diǎn)和興奮節(jié)點(diǎn)只在簇的生命周期結(jié)束后才轉(zhuǎn)入休眠狀態(tài)。處于興奮狀態(tài)的節(jié)點(diǎn)既能感知數(shù)據(jù)又可傳輸數(shù)據(jù)，處于活動(dòng)狀態(tài)的節(jié)點(diǎn)只進(jìn)行拓?fù)浣Y(jié)構(gòu)的組建和數(shù)據(jù)轉(zhuǎn)發(fā)，并不采集數(shù)據(jù)。節(jié)點(diǎn)狀態(tài)圖如圖2所示。

圖2 節(jié)點(diǎn)狀態(tài)圖

1.3 節(jié)點(diǎn)閾值定義

突發(fā)事件監(jiān)測(cè)的一個(gè)重要特征就是事件驅(qū)動(dòng)，節(jié)點(diǎn)通過(guò)判斷監(jiān)測(cè)感知的數(shù)據(jù)是否達(dá)到所設(shè)定的閾值以及事件的緊急程度，繼而設(shè)置節(jié)點(diǎn)處于不同的狀態(tài)級(jí)別。節(jié)點(diǎn)的閾值定義參考文獻(xiàn)［3］和文獻(xiàn)［10］，并在其基礎(chǔ)上提出改進(jìn)和創(chuàng)新，詳細(xì)閾值定義如表1所示。

表1 節(jié)點(diǎn)閾值定義

如表1所示，本文設(shè)定的閾值相對(duì)于文獻(xiàn)［3］和文獻(xiàn)［10］，增加了事件刺激強(qiáng)度ESI、簇頭選舉標(biāo)準(zhǔn)SEC、節(jié)點(diǎn)剩余能量Erest以及簇頭選舉能量門(mén)限Elow等參數(shù)。通過(guò)增加這些預(yù)定參數(shù)可以更有效的控制算法選擇簇頭的范圍，屏蔽掉能量剩余較小的節(jié)點(diǎn)，增加時(shí)間發(fā)生較強(qiáng)區(qū)域內(nèi)的節(jié)點(diǎn)被選擇到的概率，從而盡量選擇出最符合成簇要求的節(jié)點(diǎn)。避免能量較低的節(jié)點(diǎn)由于被選擇為簇頭，造成因能量不足而無(wú)法正常工作。

1.4 基于突發(fā)事件嚴(yán)重程度的動(dòng)態(tài)成簇算法

本文提出的動(dòng)態(tài)成簇算法改進(jìn)了TEEN協(xié)議的節(jié)點(diǎn)數(shù)據(jù)采集方案，能夠?qū)崟r(shí)性的采集事件發(fā)生時(shí)的相關(guān)數(shù)據(jù)。在基于文獻(xiàn)［3］所述算法流程基礎(chǔ)上，考慮了節(jié)點(diǎn)剩余能量和節(jié)點(diǎn)狀態(tài)變化，詳述如下:

(1)節(jié)點(diǎn)初始化。其過(guò)程包括:基站使用單跳通信方式向節(jié)點(diǎn)發(fā)送基站的位置信息;所有節(jié)點(diǎn)獲取自身的位置信息;節(jié)點(diǎn)通過(guò)簡(jiǎn)單的信息交換獲得鄰居節(jié)點(diǎn)的位置信息和到基站的距離等。

(2)節(jié)點(diǎn)初始化后不分簇，狀態(tài)均置為休眠抑制狀態(tài)。

簇頭節(jié)點(diǎn)向周?chē)鷱V播其成簇消息，廣播內(nèi)容包括其成為簇頭的標(biāo)志、簇頭身份、傳播跳數(shù)K、簇頭興奮周期CHET、簇頭選舉標(biāo)準(zhǔn)SCE和節(jié)點(diǎn)剩余能量。

(4)當(dāng)節(jié)點(diǎn)收到簇頭節(jié)點(diǎn)的成簇消息后，但同一區(qū)域內(nèi)由于事件發(fā)生不均勻性，不同節(jié)點(diǎn)可能處于興奮、活動(dòng)和休眠狀態(tài)，若處于這3種狀態(tài)的節(jié)點(diǎn)收到簇頭的成簇信息，其要做出不同的響應(yīng)并加入最合適的簇內(nèi)，節(jié)點(diǎn)成簇狀態(tài)如表2所示。

表2 節(jié)點(diǎn)成簇后狀態(tài)轉(zhuǎn)換表

其次判斷K值，若K－1＞0，節(jié)點(diǎn)將修改K值并轉(zhuǎn)發(fā)該消息。若節(jié)點(diǎn)收到相同的簇頭的成簇信息，優(yōu)先選擇K值較大的路徑成簇。如果已經(jīng)處于興奮狀態(tài)的節(jié)點(diǎn)接收到不同的簇頭廣播消息，則根據(jù)CHET值、跳數(shù)K和剩余能量等參數(shù)值綜合考慮加入哪個(gè)簇。

(5)若突發(fā)性的事件中產(chǎn)生如圖3所示狀況，劇烈事件發(fā)生區(qū)域內(nèi)相鄰的3個(gè)節(jié)點(diǎn)都達(dá)到閾值要求而成為簇頭節(jié)點(diǎn)，這樣便很容易形成冗余簇頭。因此在成簇過(guò)程中，已成為簇頭的節(jié)點(diǎn)若接收到周?chē)?jié)點(diǎn)傳播的成簇信息，則其通過(guò)判斷自身的事件刺激強(qiáng)度ESI、簇頭興奮周期CHET、簇頭選舉標(biāo)準(zhǔn)SCE和節(jié)點(diǎn)剩余能量等數(shù)值，來(lái)決定其是否繼續(xù)保持簇頭，或放棄成為簇頭并加入情況優(yōu)于自身且距離最近的簇頭。同時(shí)在簇的生命周期內(nèi)，簇內(nèi)的節(jié)點(diǎn)也不會(huì)因新的較強(qiáng)刺激而成為簇頭。

圖3 突發(fā)性事件簇頭沖突示意圖

(6)若簇結(jié)構(gòu)形成時(shí)間T＞CHET，則表明簇頭的生命周期結(jié)束。此時(shí)，簇頭釋放該簇，簇內(nèi)節(jié)點(diǎn)轉(zhuǎn)入抑制狀態(tài)。若有新的突發(fā)事件發(fā)生，節(jié)點(diǎn)將重新競(jìng)爭(zhēng)簇頭。

2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法

神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性逼近、分布式運(yùn)算、大規(guī)模并行處理、自主訓(xùn)練學(xué)習(xí)等優(yōu)點(diǎn)，特別適合處理多因素、精確度低和模糊度高的信息融合問(wèn)題。無(wú)線傳感器網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)有相似的地方:無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)具有感知處理數(shù)據(jù)的能力，相當(dāng)于神經(jīng)網(wǎng)絡(luò)神經(jīng)元部分;網(wǎng)絡(luò)節(jié)點(diǎn)之間數(shù)據(jù)鏈路傳輸相當(dāng)于神經(jīng)元之間的突觸完成信號(hào)傳遞。無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合與神經(jīng)網(wǎng)絡(luò)都是對(duì)大量的數(shù)據(jù)進(jìn)行運(yùn)算和處理，都是通過(guò)特征值反應(yīng)最終結(jié)果。本文根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立多層次的無(wú)線傳感器網(wǎng)絡(luò)分簇結(jié)構(gòu)，以便提高BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)據(jù)融合效率［11－13］。

2.1 EBPDF算法的模型結(jié)構(gòu)

本文提出的EBPDF(Event-Driven Back-Propagation Data Fusion Algorithm)算法基于事件驅(qū)動(dòng)和剩余能量的改進(jìn)分簇算法，在所監(jiān)測(cè)區(qū)域內(nèi)，無(wú)線傳感網(wǎng)絡(luò)根據(jù)特定的規(guī)則，于事件突發(fā)區(qū)域內(nèi)選擇最優(yōu)簇首，并形成相對(duì)穩(wěn)定的拓?fù)浣Y(jié)構(gòu)。在每個(gè)所形成的虛擬簇結(jié)構(gòu)中，當(dāng)節(jié)點(diǎn)檢測(cè)到的數(shù)據(jù)滿足所設(shè)定的閾值后，節(jié)點(diǎn)經(jīng)由特定事件觸發(fā)開(kāi)始工作。EBPDA算法就是在簇內(nèi)節(jié)點(diǎn)和簇頭內(nèi)部使用BP神經(jīng)網(wǎng)絡(luò)算法來(lái)達(dá)到數(shù)據(jù)處理要求。

元祐八年九月，高太后駕崩，哲宗親政，以司馬光為代表的“元祐黨人”受到打擊，蘇軾首當(dāng)其沖。短短幾年，換了四五個(gè)地方，在京城幾個(gè)月，換了五六個(gè)職位，終不得重用。元祐八年，又離開(kāi)京城出知定州，次年再次以所作詩(shī)詞多涉“譏訕”朝廷降為左承議郎，貶往惠州、儋州一帶，短短的五六年中，朝廷連下五道命令，一降再降，貶為惠州寧遠(yuǎn)軍節(jié)度副使、瓊州別駕，由一個(gè)“從二品”的高官降到九品小官，一共降了八個(gè)品級(jí)，十四個(gè)官階，幾乎死在海南。

研究表明，BP神經(jīng)網(wǎng)絡(luò)中只要中間隱層節(jié)點(diǎn)數(shù)量足夠多，其便具有模擬任意復(fù)雜的非線性映射的能力［13］。本文提出的改進(jìn)型數(shù)據(jù)融合算法EBPDA采用單隱層的神經(jīng)網(wǎng)絡(luò)模型，該算法將三層BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到所形成的虛擬簇內(nèi)，首先通過(guò)輸入神經(jīng)元對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，并發(fā)送到簇頭節(jié)點(diǎn)。簇頭節(jié)點(diǎn)通過(guò)模型的隱層和輸出神經(jīng)元函數(shù)對(duì)接收的數(shù)據(jù)進(jìn)行處理，最終得到一組可較為精確反映WSN特征數(shù)據(jù)的特征值。該特征值通過(guò)一定的路徑最終被傳送到匯聚節(jié)點(diǎn)［6］。改進(jìn)型算法的模型如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)算法的模型示意圖

假設(shè)無(wú)線傳感器網(wǎng)絡(luò)的一個(gè)簇內(nèi)有n個(gè)多傳感器成員節(jié)點(diǎn)，同時(shí)每個(gè)簇的成員節(jié)點(diǎn)采集m種不同類(lèi)型的數(shù)據(jù)。則輸入層的神經(jīng)元有n×m個(gè)，輸出神經(jīng)元s的數(shù)量可根據(jù)實(shí)際需求進(jìn)行動(dòng)態(tài)調(diào)整，其與成員節(jié)點(diǎn)數(shù)量m相關(guān)性較小。隱層神經(jīng)元的數(shù)量k由訓(xùn)練樣本的數(shù)量以及算法規(guī)律的復(fù)雜程度決定，同時(shí)與輸入輸出的神經(jīng)元也有直接的關(guān)系。

為確定最佳隱層節(jié)點(diǎn)數(shù)，本文采用常用的“試算法”作為選擇依據(jù)。通過(guò)事先設(shè)置一個(gè)數(shù)量較少動(dòng)態(tài)可變的隱層節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，在基于相同的訓(xùn)練樣本，通過(guò)對(duì)比不同隱層神經(jīng)元數(shù)量下的訓(xùn)練次數(shù)和數(shù)據(jù)精度，從而確定誤差最小的隱層節(jié)點(diǎn)k值的大小。在確定最佳隱層節(jié)點(diǎn)數(shù)量可使用經(jīng)驗(yàn)公式:～10之間的常數(shù)。

2.2 神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練步驟

神經(jīng)網(wǎng)絡(luò)模型在建立之初需要離線訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，從而得到神經(jīng)網(wǎng)絡(luò)的參數(shù)值(如神經(jīng)元之間的權(quán)值)。神經(jīng)網(wǎng)絡(luò)模型運(yùn)行之前需要有一個(gè)穩(wěn)定的分簇結(jié)構(gòu)，本文EBPDF算法采用的是基于事件驅(qū)動(dòng)的分簇方案，當(dāng)某一區(qū)域突發(fā)劇烈事件時(shí)，節(jié)點(diǎn)通過(guò)相互之間交流信息從而形成穩(wěn)定的分簇結(jié)構(gòu)?？紤]到節(jié)點(diǎn)能量有限，且神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要消耗較大的能量，本算法將神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程交由匯聚節(jié)點(diǎn)完成，網(wǎng)絡(luò)訓(xùn)練步驟如圖5所示［13］。

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

2.3 EBPDF算法工作流程

EBPDF算法在經(jīng)過(guò)利用與節(jié)點(diǎn)相匹配的信息進(jìn)行樣本訓(xùn)練之后，匯聚節(jié)點(diǎn)會(huì)將樣本訓(xùn)練所得的神經(jīng)網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)發(fā)送到對(duì)應(yīng)的簇頭節(jié)點(diǎn)，無(wú)線傳感器網(wǎng)絡(luò)簇頭節(jié)點(diǎn)利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行數(shù)據(jù)融合處理。其工作流程如下所示［6］:

(1)無(wú)線傳感器網(wǎng)絡(luò)初始化，節(jié)點(diǎn)根據(jù)匯聚節(jié)點(diǎn)發(fā)布的位置信息進(jìn)行定位。

(2)當(dāng)事件突發(fā)時(shí)，事件突發(fā)區(qū)域EA內(nèi)的節(jié)點(diǎn)根據(jù)分簇方案開(kāi)始進(jìn)行簇結(jié)構(gòu)的建立以及簇首的選舉，待EA內(nèi)部分簇拓?fù)浣Y(jié)構(gòu)穩(wěn)定后，簇頭內(nèi)部含有其所在簇內(nèi)所有簇成員節(jié)點(diǎn)的相關(guān)信息。

(3)簇頭節(jié)點(diǎn)將所有的簇內(nèi)節(jié)點(diǎn)信息通過(guò)最優(yōu)傳輸路徑發(fā)送給匯聚節(jié)點(diǎn)。

(4)匯聚節(jié)點(diǎn)通過(guò)獲得的節(jié)點(diǎn)信息構(gòu)造神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，并根據(jù)數(shù)據(jù)庫(kù)中的匹配的樣本進(jìn)行初始化訓(xùn)練，最終得到BP神經(jīng)網(wǎng)絡(luò)各層參數(shù)值(如權(quán)值、閾值)，匯聚節(jié)點(diǎn)將訓(xùn)練所得的參數(shù)值及時(shí)發(fā)送到原始簇頭。

(5)突發(fā)事件區(qū)域內(nèi)的各個(gè)簇頭節(jié)點(diǎn)利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合處理，并將融合后的數(shù)據(jù)通過(guò)最優(yōu)路徑傳輸?shù)絽R聚節(jié)點(diǎn)，最終完成數(shù)據(jù)融合。

3 仿真實(shí)驗(yàn)

本文提出的EBPDF算法改進(jìn)了LEACH協(xié)議，彌補(bǔ)了TEEN協(xié)議由于門(mén)限值達(dá)不到，節(jié)點(diǎn)不會(huì)和簇頭通信，用戶無(wú)法得到實(shí)時(shí)性數(shù)據(jù)的問(wèn)題。為了分析和比較EBPDF算法的性能，本文采用NS2作為理論測(cè)試軟件，為體現(xiàn)改進(jìn)后的算法的有效性，將EBPDF算法與LEACH算法進(jìn)行對(duì)比，主要比較節(jié)點(diǎn)能量消耗和網(wǎng)絡(luò)生存周期等指標(biāo)。神經(jīng)網(wǎng)絡(luò)的權(quán)值初始值設(shè)置為1，閾值設(shè)為0.2，訓(xùn)練次數(shù)設(shè)為1 000。網(wǎng)絡(luò)初始化設(shè)置如表3所示［6］。

表3 網(wǎng)絡(luò)初始化設(shè)置

判斷無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合的一個(gè)重要指標(biāo)是減少數(shù)據(jù)包的收發(fā)頻率以減少能量消耗。LEACH算法中簇頭的選舉與突發(fā)性事件并無(wú)相關(guān)性，其簇頭是隨機(jī)產(chǎn)生，并未考慮到節(jié)點(diǎn)剩余能量。整個(gè)監(jiān)測(cè)區(qū)域內(nèi)所有的節(jié)點(diǎn)同時(shí)監(jiān)測(cè)會(huì)產(chǎn)生大量的數(shù)據(jù)，且數(shù)據(jù)并未在事件突發(fā)區(qū)域得到有效融合。EBPDF算法數(shù)據(jù)收集僅在能夠達(dá)到一定閾值的事件發(fā)生時(shí)動(dòng)態(tài)工作，而且加入到簇中的節(jié)點(diǎn)只有事件發(fā)生區(qū)域內(nèi)的節(jié)點(diǎn)，而且簇的生命周期取決于事件的激烈程度和節(jié)點(diǎn)剩余能量。簇的生命周期結(jié)束后，簇會(huì)立即被釋放，節(jié)點(diǎn)轉(zhuǎn)入休眠偵聽(tīng)狀態(tài)。處于偵聽(tīng)狀態(tài)的節(jié)點(diǎn)也會(huì)消耗一定的能量，但遠(yuǎn)遠(yuǎn)小于節(jié)點(diǎn)檢測(cè)和傳輸數(shù)據(jù)所消耗的能量。

為測(cè)試不同范圍的突發(fā)事件發(fā)生的情況下基于事件驅(qū)動(dòng)的分簇方案的性能，假設(shè)LEACH協(xié)議和EBPDF算法的分簇方案比較時(shí)，不考慮數(shù)據(jù)融合性能的影響。首先選取了5種不同規(guī)模的網(wǎng)絡(luò)場(chǎng)景: 20 m×20 m，40 m×40 m，60 m×60 m，80 m×80 m，100 m×100 m大小的區(qū)域內(nèi)有連續(xù)突發(fā)性事件發(fā)生，節(jié)點(diǎn)運(yùn)行周期為200 s。節(jié)點(diǎn)均勻分布，且節(jié)點(diǎn)有效通信距離為30 m。圖6顯示了EBPDF算法的基于事件驅(qū)動(dòng)的層次性分簇方案選舉出簇頭的個(gè)數(shù)明顯低于LEACH算法的分簇方案。因?yàn)長(zhǎng)EACH簇頭選舉與事件無(wú)關(guān)，且簇頭選舉由概率選舉產(chǎn)生，簇頭的個(gè)數(shù)具有不確定性。而EBPDF簇頭選舉由事件驅(qū)動(dòng)，與事件的覆蓋范圍有關(guān)，參與分簇的節(jié)點(diǎn)僅限于事件發(fā)生的區(qū)域，因此能夠節(jié)省網(wǎng)絡(luò)整體能耗。

圖6 網(wǎng)簇頭選舉個(gè)數(shù)對(duì)比圖

無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的能量消耗主要來(lái)自于節(jié)點(diǎn)間的通信，若能夠有效的降低節(jié)點(diǎn)發(fā)射頻率，則網(wǎng)絡(luò)節(jié)點(diǎn)的平均能耗將會(huì)大大降低。LEACH算法在路由協(xié)議中沒(méi)有加入特定的數(shù)據(jù)融合算法，對(duì)于接收到的數(shù)據(jù)直接在簇頭進(jìn)行簡(jiǎn)單地融合，之后通過(guò)一定的路徑發(fā)送到基站，大量的數(shù)據(jù)發(fā)送會(huì)導(dǎo)致節(jié)點(diǎn)通信頻率增加。

在EBPDF算法中，本文引入BP神經(jīng)網(wǎng)絡(luò)算法，并結(jié)合層次性分簇結(jié)構(gòu)方案，雖然在事件發(fā)生時(shí)同樣產(chǎn)生大量數(shù)據(jù)，但通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型融合后的所得的特征值的數(shù)據(jù)量大大小于原始數(shù)據(jù)量。相關(guān)研究表明無(wú)線節(jié)點(diǎn)傳輸1byte數(shù)據(jù)所消耗的能量可以執(zhí)行數(shù)千條計(jì)算指令［14］。雖然EBPDF算法在節(jié)點(diǎn)和簇頭內(nèi)部進(jìn)行數(shù)據(jù)融合處理時(shí)需要進(jìn)行一定的融合計(jì)算，但EBPDF算法能夠有效降低節(jié)點(diǎn)的通信數(shù)據(jù)量的大小，從而達(dá)到平均節(jié)點(diǎn)能耗的目的。

本文在此通過(guò)仿真模擬EBPDF算法的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型與LEACH算法的數(shù)據(jù)傳輸過(guò)程作對(duì)比，假設(shè)突發(fā)事件在整個(gè)監(jiān)測(cè)區(qū)域EA內(nèi)周期性發(fā)生，最終通過(guò)實(shí)際模擬運(yùn)算所得出的仿真結(jié)果如圖7所示。

圖7網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗對(duì)比圖

圖7 顯示了LEACH算法和EBPDF算法在設(shè)定的時(shí)間內(nèi)節(jié)點(diǎn)平均能耗。由于EBPDF算法在由突發(fā)事件發(fā)生時(shí)才會(huì)動(dòng)態(tài)成簇，不需要所有的節(jié)點(diǎn)都處于工作狀態(tài)，隨著突發(fā)事件時(shí)間的增加，EBPDF算法能夠有效地提高網(wǎng)絡(luò)性能，減少簇頭節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的數(shù)據(jù)傳輸量。

4 結(jié)束語(yǔ)

針對(duì)監(jiān)測(cè)環(huán)境中突發(fā)事件驅(qū)動(dòng)和無(wú)線傳感器網(wǎng)絡(luò)能量有限的特點(diǎn)，本文提出了一套基于反向傳輸BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法EBPDF。該算法以基于事件驅(qū)動(dòng)和能量剩余管理方案的無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)分簇算法為基礎(chǔ)，并在LEACH協(xié)議和TEEN的基礎(chǔ)上進(jìn)行了改進(jìn)。簇的生存周期和覆蓋范圍隨事件嚴(yán)重程度和節(jié)點(diǎn)能量剩余而動(dòng)態(tài)調(diào)整，同時(shí)利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行多層次的融合處理，從而降低節(jié)點(diǎn)通信開(kāi)銷(xiāo)，最終降低整體網(wǎng)絡(luò)的能量消耗，平衡節(jié)點(diǎn)能耗，延長(zhǎng)網(wǎng)絡(luò)使用壽命。

［1］孫凌逸，黃先祥，蔡偉，等.基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2011，24(1):122－127.

［2］Heinzelman WR，Chandrakasan A，Balakrishnan H.Energy－Efficient Communication Protocol for Wireless Micro－Sensor Networks［C］//Proceedings of the 33rd Annual Hawaii Interna－tional Conference on System Sciences.Hawaii，USA，2000.3005－3014.

［3］Manjeshwar A，Agarwal D P.TEEN:A Routing Protocol for Enhanced Efficiency in Wireless Sensor Metworks［C］//The 1st International Workshop on Parallel and Distributed Computing Issues in Wireless Networks and Mobile Computing，2001:2009－2015.

［4］Zhang Xue，Ding Xuyang，Lu Sanglu.Principles for Energy－Efficient Topology Control in Wireless Sensor Networks［C］//Wireless Communications，Networking and Mobile Computing，2009.

［5］De Rango F，Guerriero F，F(xiàn)azio P.Link－Stability and Energy Aware Routing Protocol in Distributed Wireless Networks［J］.Parallel and Distributed Systems，2012，23(4):713－726.

［6］孔玉靜，侯鑫，華爾天，等.基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議的研究［J］.傳感技術(shù)學(xué)報(bào)，2013(2):246－251.

［7］Yeganeh MH，Yousefi H，Alinaghipour N，et al.RDAG:A Structure－Free Real－Time Data Aggregation Protocol forWireless Sensor Networks［C］//RTCSA，2011:51－60.

［8］Yang Wenjun，Wang Bingwen，Liu Zhuo.Back Propagation Neural Network Based Lifetime Analysis of Wireless Sensor Network［J］. Advances in Neural Networks－ISNN，2009:956－962.

［9］余黎陽(yáng)，王能，張衛(wèi).無(wú)線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型［J］.計(jì)算機(jī)科學(xué)，2008，35(12):43－47.

［10］高迪，陳斌，裴麗瑩，等.基于事件驅(qū)動(dòng)的無(wú)線傳感網(wǎng)絡(luò)動(dòng)態(tài)分簇路由算法［J］.系統(tǒng)仿真學(xué)報(bào)，2008，20(11):2836－2839.

［11］李兆祥.無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合的算法研究［D］.武漢:武漢理工大學(xué)，2011.

［12］張慶偉.基于粗糙集與神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法研究［D］.太原:太原理工大學(xué)，2011.

［13］郭軍.BP神經(jīng)網(wǎng)絡(luò)算法研究［D］.武漢:華中科技大學(xué)，2005.

［14］Min R，Bhardwaj M，Seong－h(huán)wan Cho，et a1.Energy－Centric Enabling Technologies forWireless Sensor Networks［J］.IEEEWireless Communications，2002，9(4):28－39.

［15］Enami N，Moghadam R A，Haghighat A.A Survey on Application of Neural Networks in Energy Conservation ofWireless Sensor Networks［J］.Recent Trends in Wireless and Mobile Networks，2010，84:283－294.

［16］Patra J C，Meher P K，Chakraborty G.Development of Laguerre Neural－Network－Based Intelligent Sensors for Wireless Sensor Networks［J］.IEEE Transactions on Instrumentation and Measurement，2011，60(3):725－734.

侯鑫(1981－)，男，副教授，主要研究領(lǐng)域?yàn)闊o(wú)線傳感網(wǎng)絡(luò)，無(wú)人機(jī)控制、導(dǎo)航和制導(dǎo)研究，houxinemail@ 163.com。

基于事件驅(qū)動(dòng)和神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究*

侯鑫1*，張東文1，鐘鳴2

(1.浙江工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，杭州310018，2.中國(guó)聯(lián)合工程公司，杭州310018)

為降低突發(fā)事件監(jiān)測(cè)的無(wú)線傳感器網(wǎng)絡(luò)(WSN)的能量消耗和數(shù)據(jù)冗余，設(shè)計(jì)并實(shí)現(xiàn)一種基于事件驅(qū)動(dòng)的動(dòng)態(tài)分簇BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法(EBPDF)。其中動(dòng)態(tài)成簇以及簇頭選舉過(guò)程基于事件嚴(yán)重程度和節(jié)點(diǎn)剩余能量，簇的生命周期和簇的覆蓋范圍根據(jù)事件緊急程度和節(jié)點(diǎn)剩余能量進(jìn)行動(dòng)態(tài)調(diào)整。同時(shí)，為減少網(wǎng)絡(luò)通信量，將神經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)與WSN的簇結(jié)構(gòu)相結(jié)合，在動(dòng)態(tài)形成的簇結(jié)構(gòu)中應(yīng)用三層神經(jīng)網(wǎng)絡(luò)模型，通過(guò)神經(jīng)網(wǎng)絡(luò)算法從采集到的大量原始數(shù)據(jù)中提取出少量特征值，并發(fā)送到匯聚節(jié)點(diǎn)，從而延長(zhǎng)網(wǎng)絡(luò)生命周期，降低數(shù)據(jù)傳輸?shù)娜哂喽?。理論仿真?shí)驗(yàn)證明，與LEACH算法相比，該算法既能有效降低網(wǎng)絡(luò)通信流量，又能減少節(jié)點(diǎn)通信次數(shù)。

無(wú)線傳感網(wǎng)絡(luò);數(shù)據(jù)融合;事件驅(qū)動(dòng);BP神經(jīng)網(wǎng)絡(luò);動(dòng)態(tài)分簇;LEACH算法

TN925.93;TP212

A

1004－1699(2014)01－0142－07

2013－06－07修改日期:2013－12－09

C:6150P

10.3969/j.issn.1004－1699.2014.01.026

項(xiàng)目來(lái)源:浙江省自然科學(xué)基金項(xiàng)目(LQ13F030006);浙江省教育廳科技項(xiàng)目(Y201225769);浙江省電子商務(wù)與物流信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(2011E10005);浙江工商大學(xué)創(chuàng)新基金項(xiàng)目(1130XJ1512160);浙江省大學(xué)生科技創(chuàng)新活動(dòng)計(jì)劃(新苗人才計(jì)劃)項(xiàng)目(3070JQ4213073G)